Digital pathology22 An Interpretable Multilabel Deep Learning Framework for theSimultaneous Assessment of Multiple Indicators 연구팀이 주장하는 모델(AMMNet)문제의 정의: Activity, Atropy, IM의 라벨이 하나 또는 복수개를 가질 수 있다고 함. 즉, Sydney system에서의 각 3가지 항목을 0, 1로 구분할 수 있는지, multi-label classification 방법론Attention-Based Multi-Instance Multilabel learning Network (이하, AMMNet)1. 특징화 작업: 2단계를 합침(Dual-Channel feature extration)CNN feature: Backbone(Resnet50, ImagNet pretrained), 출력(512-d) Frequency domain feature: 주파수도메인의 특징 작업: 출력(512-d).왜 했을까? (논.. 2025. 3. 4. [5분 컷 이해] Kappa score 란? Cohen's kappa coefficient: 범주형 변수형을 측정한 관찰자간 평가가 얼마나 일치하는지를 측정하기 위한 통계량입니다. 두 관찰자가 존재할 때, 일치도보다 더 믿을 만한 통계량이라고 일반적으로 알려져있습니다. 이유는 우연에 의한 일치(chance agreement)을 보정하기 때문에, 더 신뢰하다고 믿습니다. 정의: $p_{o}$ (observed agreement): 실제 평가자 간의 일치율 (정확도와 같음)$p_{e}$ (Expected agreement): 평가자가 우연히 일치할 확률. 평가자들이 아무생각 없이 무작위로 평가를 했다고 할 때, 평가가 우연히 일치할 가능성을 의미함. 예시 의사 1이 Positive을 선택할 확률: $P_{1, positive}$ = 40/10의사.. 2025. 2. 24. FA (Follicular Adenoma) 여포성 선종 vs FC (Follicular Carcinoma) 여포성 암 Preliminary 여포(Follicle): follis(공기 주머니)라는 어원에서 파생. 갑상선에서는 콜로이드(colloid)라는 단백질 물질을 포함하고, T3, T4 호르몬을 저장하고 분비하는 역할을 함.여포세포(follicular cell): T3, T4을 분비하는 세포. 정육면체(cube-like)해서, 입방형 상피세포(cuboidal epithelial cells) 형태임. 갑상선 여포종양(Follicular neoplasm): 말그대로 신생물이기 때문에, "benign follicular adenoma"와 "follicular carcinoma"을 포함하는 개념FA(follicular adenoma)와 FTC(Follicular caricnoma)둘다 follicular cell의 분화로 .. 2025. 2. 22. [리뷰] ROAM: A transformer-based weakly supervised computational pathology method for clinical-grade diagnosis and molecular marker discovery of gliomas Method: ROAM은 4단계로 구성: 1) ROI추출 -> 2) Self-attetion을 이용한 인스턴스 표현 3) attention weigthed aggregation, 4) Multi-level supervision의 4단계1. ROI 추출 및 특징화: WSI로부터 2,048 x 2,048 (0.5mpp, x20)으로 ROI을 추출합니다. 추출과정에서는 Overlapping 없이 진행합니다.2048x2048 ROI에서 2배, 4배의 다운샘플링을 진행합니다 (1024x1024, 512x512)가 생성. 논문에서는 $R_{i}^{0}, R_{i}^{1}, R_{i}^{2}$ 로 표현함각 ROI에서 다시, 256x256사이즈의 패치를 뽑아서 pretrained CNN에 통과. 각 통과한 출력은 ($.. 2025. 1. 22. Learnable color space conversion and fusion for stain normalization in pathology images 설명 요약 Motivation1. 염색정규화(Stain normalization)은 타깃(target image, 또는 reference image)라고 불리는 이미지를 정하고, 이 타깃이미지에 맞춰서 소스이미지의 염색톤을 변화하는 것을 의미합니다.2. 그러나, 염색정규화에서 이런 타깃이미지를 선정하는 과정이 매우 작위적이고(=관찰자마다 다르며), 타깃이미지를 어떤 것을 고르냐에 따라 인공지능 모델의 성능이 크게 차이가 납니다(아래 Fig1은 어떤 이미지를 고르냐에따라서 성능이 크게 좌우된다는 예시를 표하기위한 그림입니다).Method: 염색정규화과정에 필요한 trainable parameters을 인공지능 모델에 포함하여 학습저자들은 데이터로부터 염색정규화에 필요한 파라미터를 모델에 추가합니다. 이 레이어명.. 2024. 12. 30. TransMIL: Transformer based Correlated MultipleInstance Learning for Whole SlideImage Classification Motivation1. Vanillar Attention MIL은 IID(independent and identical distribution)에 기반하고 있어서, 패치별 연관성을 고려하지 못함.2. 이에 대한 대안으로 Transformer을 사용하는 경우도 계산량 때문에, 시퀀스 길이가 짧아야해서 WSI분석에는 적용이 어려움.예를 들어, 아래의 그림과 같이 Vanillar Attention인 경우(d), $\sum \alpha_{i} * h_{i}$와 같이 attention weight * instance embedding으로 가중합으로 하게되는데, 이때 attention weight은 i의 인스턴스만이고려된 가중치임(=attention weight은 attention score로 유래되고, i 인스턴.. 2024. 11. 18. 이전 1 2 3 4 다음
